[发明专利]文档检索系统及文档检索方法

说明书

技术领域

本发明涉及一种文档检索系统及文档检索方法，涉及包含数值数据的文档的检索系统及检索方法。

背景技术

随着文档信息的电子化，从大量的信息中高效率地找出用户需要的信息成为重要的问题。信息检索技术是用于解决这种问题的技术，因特网的检索引擎应用信息检索技术，如果用户输入检索请求，则从大量的文档信息中检索与输入相关联的信息，并按关联度顺序显示。

另外，在特开2000-155758号公报“将多个文档数据库作为对象的文档检索方法及文档检索服务”中公开了被称为文档联想检索的方法，在该方法中，作为检索请求，将文档群作为输入，检索相同文档数据库内的相关联的文档群。在文档联想检索中，采取如下方法：将文档分解成单词(或字符串)，生成某文档中某个单词出现几次的单词出现频度的矢量，根据输入文档与文档数据库内的文档的矢量间的相似度(非专利文献1“语言表现的矢量空间模型中的最佳计量距离”)、或基于概率模型的文档间的相似度(参照特开平9-62693号公报“基于概率模型的文档分类方法”)，检索相似文档。

专利文献1：特开2000-155758号公报

专利文献2：特开2004-178490号公报

专利文献3：特开平9-62693号公报

非专利文献1：语言表现的矢量空间模型中的最佳计量距离，持桥大地等、电子信息通信学会论文志“信息·系统：D-II”，J88-D-II，No.4，pp.747-756，April，2005

非专利文献2：以数值信息作为关键词从报纸报道中提取信息，齐藤公一等，自然语言处理研究会报告，1998-NL-125，信息处理学会，1998

发明内容

发明所要解决的技术问题

在文档联想检索中，在文档中包含数值数据(例如实测值数据)的情况下，数值数据作为1个单词来计算出现频度，计算相似度。可是，对于数值，有时想将相近的数值作为同一词处理。作为例子，在利用电子病历或排序系统等医疗信息系统的现场，医师或药剂师想检索与某患者的状态相似的患者的信息。

在这种情况下，参照电子病历的经过记录(在记载了初始记录后，按照经过来输入患者的叙述或诊察所见、检查结果、医师的推论或判断结果治疗方针等)等的记述，搜索症状相似的患者。在经过记录的文档中，还记载检查值等为了表现患者的症状而具有重要含义的数值数据。因此，将经过记录等文档分解成单词，生成出现频度矢量，搜索与某患者的文档的出现频度矢量相似的文档，进行相似患者的信息的联想检索。但是，在“血糖值124mg/dl”、“血糖值125mg/dl”、“血糖值180mg/dl”中，前2个数值意味着中度血糖值，作为症状相似，而与意味着高血糖的后者的症状不同，但由于不考虑具有重要含义的数值数据的相似度，所以作为同一相似度检索，从而检索精度降低。

另外，在病历上记载症状所见时，有时同时使用表现症状的标准用语·代码和数值(例如，对于大小，同时使用“米粒大”和“3mm至4mm左右的数值”)。若根据以标准用语·代码或数值中的任何一方记载的文档进行联想检索，则以另一方的表述记载的文档不作为检索对象，所以同样产生检索精度的降低。

解决技术问题的技术方案

因此，在本发明中，对于属性A的数值的集合D，生成包含D的全部要素的数值区间的集合E，通过使在区间内包含D的要素x的区间对应1，使不包含的区间对应0，对文档中的数值附加索引。在包含多个属性的数值的情况下，生成针对各个属性的数值的数值区间集合，对数值附加索引。文本部分使用单词的频度、数值部分使用上述数值的索引附加方法，来对包含数值的文档数据附加索引。使用文档数据的索引，计算基于矢量空间法或概率模型的文档数据间的相似度，从相似度高的文档数据开始按顺序提示。

作为相似度的计算方法的例子，列举基于矢量空间法的例子。首先，以多维矢量表现文档。

[式1]

x＝(x₁，x₂，…，x_l)

文档矢量的各要素既有某单词是否在该文档中出现的2值的情况，也有某单词在该文档中出现几次的出现频度的情况，还有通过适当的方法(TF-IDF等)加权后的实数值的情况。

使用两个文档矢量X₁和X₂的余弦距离，作为两个文档的相似度。

[式2]